AGI/Singularidad: 10.000 predicciones analizadas
La inteligencia artificial general (AGI) se da cuando un sistema de IA iguala las capacidades cognitivas humanas en todas las tareas. Analizamos las predicciones de 10.000 investigadores de IA, de importantes emprendedores y de la comunidad sobre el cronograma de la AGI:
¿Ocurrirá la AGI/singularidad? La AGI es inevitable según la mayoría de los expertos en IA.
¿Cuándo alcanzaremos la AGI? Entre finales de la década de 2020 y principios de la de 2030. El cronograma de la AGI se acortó tras el lanzamiento de ChatGPT.
Cronograma de la Inteligencia Artificial General
El cronograma anterior describe el año previsto de la singularidad, basado en información recopilada de 10 encuestas con más de 6.000 participantes, respuestas de 18 investigadores de IA e información comunitaria de los mercados de predicción Manifold, Kalshi y Metaculus.
Como puede ver arriba, los encuestados esperan cada vez más que la singularidad ocurra antes de lo previsto anteriormente. Conozca los métodos que utilizamos para crear este gráfico.
Predicciones de AGI de los mercados de predicción
Para las predicciones de los mercados de predicción y de la comunidad, utilizamos:
3.900 predicciones de Manifold, Kalshi y Metaculus, que son mercados de predicción en línea donde los participantes negocian sobre la probabilidad y el momento de eventos futuros para obtener beneficios o reputación. También incluimos la fecha media de predicción obtenida de estos mercados de predicción.
Otras preguntas clave sobre la AGI
¿Cuál es nuestro estado actual respecto a la AGI?
Aunque la IA estrecha supera a los humanos en tareas específicas, no existe una máquina inteligente. Algunos investigadores afirman que los modelos de lenguaje grandes demuestran capacidades generalistas emergentes.1
¿Cómo podemos alcanzar la AGI?
Ya sea poniendo más computación y datos detrás de arquitecturas actuales como los transformadores, o inventando nuevos enfoques. Todavía no hay consenso científico sobre el método para lograr la AGI o para validarla.
A continuación puede ver un resumen de las predicciones que componen este cronograma, o consulte la tabla completa.
Resultados de las principales encuestas a investigadores de IA
Examinamos los resultados de 10 encuestas en las que participaron más de 6.000 investigadores y expertos en IA, en las que estimaron cuándo podría ocurrir la AGI/singularidad.
Aunque las predicciones varían, la mayoría de las encuestas indican una probabilidad del 50 % de lograr la AGI entre 2047 y 2061, y algunas estiman que la superinteligencia podría seguir en pocas décadas.
Encuesta de expertos sobre el progreso en IA
En octubre de 2023, IA Impacts encuestó a 2.778 investigadores de IA sobre cuándo podría lograrse la AGI. Esta encuesta incluyó preguntas casi idénticas a la encuesta de 2022. Según los resultados de la Encuesta de expertos sobre el progreso en IA, se estima que la inteligencia de máquinas de alto nivel ocurrirá para 2040.2
Encuesta de expertos sobre el progreso en IA
La encuesta se realizó con 738 expertos que publicaron en las conferencias NIPS e ICML de 2021. Según los resultados de la Encuesta de expertos sobre el progreso en IA, los expertos estiman que hay un 50 % de probabilidades de que la inteligencia de máquinas de alto nivel ocurra para 2059.3
Los expertos también predijeron que el coste del hardware, el progreso algorítmico y el trabajo en conjuntos de entrenamiento serían los mayores factores en el progreso de la IA.
Encuesta de previsión del progreso de la IA
Baobao Zhang encuestó a 296 expertos en IA en 2019, pidiéndoles que predijeran cuándo las máquinas superarían al trabajador humano medio en la realización de más del 90 % de las tareas económicamente relevantes. Según los resultados de la Encuesta de previsión del progreso de la IA, la mitad de los encuestados estimó que esto ocurriría antes de 2060.4
Encuesta de expertos en IA sobre el momento de la AGI
Las predicciones de la Encuesta de expertos en IA sobre el momento de la AGI en 20195son:
- 45 % de los encuestados predice una fecha antes de 2060.
- 34 % de todos los participantes predijo una fecha después de 2060.
- 21 % de los participantes predijo que la singularidad nunca ocurriría.
Encuesta sobre el posible impacto de la IA en el desplazamiento laboral
Ross Gruetzemacher encuestó a 165 expertos en IA en 2018 para evaluar el posible impacto de la IA en el desplazamiento laboral. Se pidió a los expertos que estimaran cuándo los sistemas de IA serían capaces de realizar el 99 % de las tareas por las que actualmente se paga a los humanos, a un nivel igual o superior al de un humano promedio.
Según los resultados de la encuesta sobre el posible impacto de la IA en el desplazamiento laboral, la mitad de los encuestados predijo que este hito se alcanzaría antes de 2068, mientras que el 75 % anticipó que ocurriría dentro de los próximos 100 años.6
Encuesta a expertos en IA de las conferencias NIPS e ICML
En mayo de 2017, se encuestó a 352 expertos en IA que publicaron en las conferencias NIPS e ICML de 2015.7
Según los resultados de la encuesta de las conferencias NIPS e ICML, los expertos estiman un 50 % de probabilidad de que la AGI ocurra para 2060. Dicho esto, hay una diferencia significativa de opinión según la geografía:
- Los encuestados asiáticos esperan la AGI en 30 años,
- los norteamericanos en 74 años.
Algunas funciones laborales importantes que se espera que se automaticen para 2030 incluyen a los representantes de centros de llamadas, la conducción de camiones y las ventas minoristas.
Encuesta sobre el progreso futuro de la inteligencia artificial
Vincent C. Muller, presidente de la Asociación Europea de Sistemas Cognitivos, y Nick Bostrom, de la Universidad de Oxford, que ha publicado más de 200 artículos sobre superinteligencia e inteligencia artificial general (AGI), realizaron la encuesta sobre el progreso futuro de la inteligencia artificial en 2012 y 2013. 550 participantes respondieron a la pregunta: ¿Cuándo es probable que ocurra la AGI?8
Según los resultados de la encuesta sobre el progreso futuro de la inteligencia artificial:
- Los expertos en IA encuestados estiman que la AGI probablemente (más del 50 % de probabilidad) surgirá entre 2040 y 2050 y es muy probable (probabilidad del 90 %) que aparezca para 2075.
- Una vez alcanzada la AGI, la mayoría de los expertos afirma que progresará a la superinteligencia con relativa rapidez, con un plazo que va desde tan solo 2 años (improbable, probabilidad del 10 %) hasta unos 30 años (probabilidad alta, 75 %).
Encuesta con expertos en IA que participaron en la conferencia AGI-09
Según los resultados de la encuesta de 21 expertos en IA que participaron en la conferencia AGI-09 en 2009, la AGI ocurrirá alrededor de 2050 y posiblemente antes.9Puede ver a continuación sus estimaciones sobre logros específicos de la IA: superar el test de Turing, aprobar tercer grado, lograr avances científicos dignos del Nobel y alcanzar la inteligencia sobrehumana.
Figura 1: Resultados de la encuesta distribuida a los asistentes a la conferencia Inteligencia Artificial General 2009 (AGI-09).
Perspectivas de la comunidad
También evaluamos las predicciones sobre la AGI de Samotsvety Forecasting y de la comunidad de Metaculus, y los resultados de los mercados de predicción de Manifold, Kalshi y Polymarket:
Samotsvety Forecasting
Samotsvety Forecasting es un equipo de pronosticadores que hace predicciones probabilísticas sobre eventos del mundo real, especialmente en geopolítica, tecnología y riesgos globales, mediante razonamiento estructurado y métodos cuantitativos. Demuestran un sólido historial competitivo en las principales plataformas y torneos de pronóstico (por ejemplo, INFER/CSET-Foretell), donde su precisión se mide utilizando métricas formales de puntuación como la puntuación Brier.10
En enero de 2026, el equipo actualizó sus predicciones sobre la AGI con 8 pronosticadores.11Estos son los resultados agregados:
- Probabilidad del 10 % de que alcancemos la AGI en 2026
- Probabilidad del 50 % de que alcancemos la AGI para 2041
- Probabilidad del 90 % de que alcancemos la AGI para 2164
En una previsión anterior de 2022, el equipo estimó una 32 % de probabilidad de AGI en 20 años (para ~2042) y un 73 % para 2100, ambas inferiores a sus proyecciones actuales.12
Mercado Manifold
A agosto de 2026, más de 1.100 colaboradores del mercado Manifold predijeron el año en que una IA superará por primera vez un “test de Turing adversario y de alta calidad” como 2034.13
Mercado de predicción Kalshi
A agosto de 2026, los colaboradores del mercado de predicción Kalshi afirman que hay un 45 % de probabilidades de que OpenAI logre la AGI para 2030.14
Polymarket
Los resultados de las predicciones de Polymarket en agosto de 2026 indicaron que hay una 9 % de probabilidad de que OpenAI logre la AGI para 2027.15
Predicciones de la comunidad de Metaculus
A agosto de 2026:
- 1.800 participantes respondieron a la pregunta “¿Cuándo se diseñará, probará y anunciará públicamente el primer sistema de IA débilmente general?” y la predicción es 2028.16
- 180 participantes respondieron a la pregunta “¿Cuándo superará por primera vez una IA un test de Turing largo, informado y adversario?” y su predicción es 2029.17
- 1.900 participantes respondieron a la pregunta “¿Cuándo se diseñará, probará y anunciará públicamente el primer sistema de IA general?” y su predicción es 2033.18
En 2022, 81 participantes respondieron a la pregunta “¿Cuándo esperarán los principales pronosticadores que se desarrolle y demuestre la primera Inteligencia Artificial General?” y su predicción fue 2035.19
Perspectivas de emprendedores de IA e investigadores individuales
Los emprendedores de IA también están haciendo estimaciones sobre cuándo alcanzaremos la singularidad, y son más optimistas que los investigadores. Esto es esperable, ya que se benefician del mayor interés en la IA.
Sus opiniones difieren sobre su velocidad y vía de desarrollo. Amodei, de Anthropic, espera que la AGI llegue a corto plazo debido al rápido progreso autorreforzado, mientras que Hassabis, de DeepMind, lo ve plausible pero se mantiene cauto, citando desafíos no resueltos en creatividad científica y automejora autónoma.
Estas son las predicciones de 15 de los emprendedores e investigadores de IA más destacados:
- Shane Legg, cofundador de DeepMind Technologies, define la AGI mínima como un agente artificial que puede realizar de manera fiable toda la gama de tareas cognitivas que un humano promedio puede hacer, sin fallar de formas que nos sorprenderían si a una persona se le diera la misma tarea. Su predicción en enero de 2026 es que hay un 50 % de probabilidades de que la AGI mínima ocurra para 2028.
- Según Legg, alcanzar la AGI mínima no significa que comprendamos plenamente o podamos reproducir las formas más altas de inteligencia humana, como los grandes avances científicos o los logros artísticos. La AGI plena se alcanzaría una vez que la IA pueda igualar todo el espectro de la cognición humana.20
- Dario Amodei, CEO de Anthropic, expresó una gran confianza en que los sistemas de nivel AGI se están acercando a corto plazo en el Foro Económico Mundial de Davos de 2026. Afirmó que la AGI probablemente ocurrirá dentro de unos años (2027), posiblemente antes de lo que se espera ampliamente.
- Sostiene que los rápidos avances en codificación y automatización de la investigación en IA son centrales, permitiendo que los sistemas de IA manejen la mayoría de las tareas de ingeniería de software de principio a fin y aceleren su propio desarrollo mediante bucles de retroalimentación.
- Aunque reconoce limitaciones como la disponibilidad de hardware y el tiempo de entrenamiento, considera improbable un cronograma más largo y anticipa una aceleración rápida una vez que estos bucles maduren.21
- En el mismo evento en 2026, Demis Hassabis, fundador de DeepMind, mantuvo una perspectiva más cauta, reiterando una estimación de aproximadamente un 50 % de probabilidad de lograr la AGI para finales de la década (2030).
- Hassabis está de acuerdo en que el progreso es rápido en ámbitos verificables como la codificación y las matemáticas, pero subraya que el descubrimiento científico y el razonamiento creativo siguen siendo más difíciles.
- Destaca limitaciones no resueltas para generar nuevas preguntas y teorías, y expresa incertidumbre sobre la automejora totalmente autónoma, particularmente en ámbitos complejos del mundo real, lo que a su juicio hace que los plazos de la AGI sean menos seguros.
- Combinando el progreso de la IA en razonamiento, programación y matemáticas, Eric Schmidt, ex CEO de Google, afirma que nos dirigimos hacia la Inteligencia Artificial General en 3–5 años (según declaró en abril de 2025).22
- Elon Musk espera el desarrollo de una inteligencia artificial más inteligente que el más inteligente de los humanos para 2026.23
- En febrero de 2025, el emprendedor e inversor Masayoshi Son lo predijo en 2-3 años (es decir, 2027 o 2028).
- En marzo de 2024, el CEO de Nvidia, Jensen Huang, predijo que en cinco años la IA igualaría o superaría el rendimiento humano en cualquier prueba: 2029.24
- Louis Rosenberg, científico informático, emprendedor y escritor, para 2030.
- Ray Kurzweil, científico informático, emprendedor y autor de 5 superventas nacionales, incluido La singularidad está cerca: anteriormente 2045, en 2024, 2032.25
- En 2023, Hinton consideró que la AGI podría tardar de 5 a 20 años.26
- Sam Altman, CEO de OpenAI, para 2035. Mencionó “unos pocos miles de días” en 2024 en su blog “La era de la inteligencia”.
- Ajeya Cotra, investigadora de IA, analizó el crecimiento de la computación de entrenamiento y estimó un 50 % de probabilidad de que surja una IA con capacidades similares a las humanas para 2040.27
- Patrick Winston, profesor del MIT y director del Laboratorio de Inteligencia Artificial del MIT de 1972 a 1997, mencionó 2040, subrayando que, aunque es una fecha que llegaría, es difícil de estimarte.
- Jürgen Schmidhuber, cofundador de la empresa de IA NNAISENSE y director del laboratorio suizo de IA IDSIA, para 2050.26
Otros comentarios y novedades sobre la AGI
Panel presidencial de AAAI sobre el futuro de la investigación en IA
Se preguntó a 475 encuestados, principalmente del mundo académico (67 %) y de Norteamérica (53 %), sobre el progreso en IA. Aunque la encuesta del Panel presidencial de AAAI 2025 sobre el futuro de la investigación en IA no preguntó por un plazo para la AGI, el 76 % de los encuestados compartió que escalar los enfoques actuales de IA probablemente no conduzca a la AGI.28
OpenAI amplía sus ambiciones en robótica
OpenAI está aumentando su enfoque en la robótica como parte de su objetivo de avanzar hacia la inteligencia artificial general. La empresa está contratando especialistas en sistemas robóticos humanoides y formando un equipo para diseñar algoritmos que ayuden a los robots a aprender y actuar de forma independiente en el mundo físico.
Esto marca un cambio respecto al enfoque anterior de OpenAI en el lenguaje y los modelos de imagen. La empresa ahora pretende conectar el razonamiento avanzado con la interacción física, lo que sugiere que considera la robótica como un paso esencial para probar y lograr la AGI.
Contexto e implicaciones
Después de disolver su primer equipo de robótica alrededor de 2020, OpenAI está volviendo al desarrollo activo en este campo. Las contrataciones recientes y las posibles alianzas apuntan a un esfuerzo renovado por construir robots capaces de aprender y manipular en el mundo real.
Al combinar modelos de IA a gran escala con datos sensoriales, OpenAI pretende crear sistemas que puedan razonar y operar fuera de los entornos digitales. La contratación de expertos en robótica humanoide también indica objetivos a largo plazo que van más allá de la automatización y hacia robots que puedan trabajar de forma segura junto a las personas.29
Informe de Microsoft sobre los primeros experimentos con GPT-4
Microsoft Research estudió una versión temprana de OpenAI’s GPT-4 en 2023. El informe afirmaba que mostraba una inteligencia general mayor que los modelos de IA anteriores, rindiendo a nivel humano en áreas como matemáticas, codificación y derecho. Esto suscitó el debate sobre si GPT-4 era una forma preliminar de inteligencia artificial general. 30
El informe “El camino hacia la inteligencia artificial general” del MIT
El informe “El camino hacia la inteligencia artificial general” de agosto de 2025 anticipa que los primeros sistemas similares a la AGI podrían comenzar a surgir entre 2026 y 2028, mostrando razonamiento de nivel humano en dominios específicos, capacidades multimodales en texto, audio e interfaces físicas, y una autonomía limitada orientada a objetivos.
El informe combina previsiones agregadas y sugiere una probabilidad del 50 % de que varios hitos generalizados, como la transferencia de conocimiento y el razonamiento amplio, se alcancen para 2028.
Las proyecciones a más largo plazo estiman que las máquinas podrían superar el rendimiento humano en todas las tareas económicamente valiosas alrededor de 2047, condicionado a avances en eficiencia computacional, avances algorítmicos y aprendizaje autónomo.31
IA Frontiers sobre las probabilidades de la AGI
Adam Khoja y Laura Hiscott, de IA Frontiers, una plataforma de debates y diálogos sobre IA, estiman una 50 % de probabilidad de alcanzar la AGI para 2028 y una 80 % de probabilidad para 2030, utilizando su definición cuantitativa de AGI.32
Khoja y Hiscott evalúan el progreso hacia la inteligencia artificial general utilizando una definición desarrollada por Khoja, Dan Hendrycks y sus coautores.33Su framework mide diez capacidades cognitivas y asigna a GPT-4 una puntuación del 27 % y a GPT-5 una puntuación del 57 %. Esto indica que los modelos actuales están aproximadamente a mitad de camino del umbral definido de AGI.
Khoja y Hiscott sostienen que los debates tradicionales sobre los plazos de la AGI carecen de precisión porque se basan en definiciones inconsistentes. Su framework estandarizado pretende crear claridad identificando fortalezas y debilidades específicas de los modelos actuales. Señalan que la lectura, la escritura, las matemáticas y el conocimiento general igualan o superan las líneas de base humanas y ya no son factores limitantes.
Los autores destacan las lagunas restantes en razonamiento visual, física intuitiva, procesamiento auditivo, velocidad dependiente de la percepción y memoria de trabajo visual y auditiva. Informan de una rápida mejora en benchmarks como SPACE y MindCube y sugieren que estas lagunas probablemente puedan abordarse mediante investigación incremental continua. También observan que las alucinaciones siguen siendo una preocupación, pero son manejables dadas las diferencias de rendimiento entre los modelos líderes.
Según Khoja, Hiscott y Hendrycks, el obstáculo restante más significativo es el aprendizaje continuo y el almacenamiento de memoria a largo plazo. Los sistemas actuales no pueden retener información entre sesiones, y resolver esta limitación requerirá al menos un avance significativo. Sin embargo, los autores subrayan que los principales laboratorios de IA están priorizando ahora esta área.
Aprender del exceso de optimismo pasado en las predicciones de IA
Tenga en cuenta que los investigadores de IA fueron demasiado optimistas antes. Algunos ejemplos incluyen:
- Geoff Hinton afirmó en 2016 que no necesitaríamos radiólogos para 2021 o 2026. Hasta ahora, la radiología no se ha automatizado por completo y los hospitales necesitan miles de ellos.34
- El pionero de la IA Herbert A. Simon en 1965: “las máquinas serán capaces, en veinte años, de hacer cualquier trabajo que un hombre pueda hacer.”35
- El ordenador de quinta generación de Japón en 1980 tenía un cronograma de diez años con objetivos como “mantener conversaciones informales”.36
Esta experiencia histórica contribuyó a que la mayoría de los científicos actuales rehuyeran predecir la AGI en plazos audaces como 10-20 años, pero esto ha cambiado con el auge de la IA generativa.
Comprender qué es la singularidad
La inteligencia artificial nos asusta y nos intriga. Casi cada semana hay una nueva alarma sobre IA en las noticias, como desarrolladores asustados por lo que han creado o que apagan bots porque se volvieron demasiado inteligentes.37
La mayoría de estos mitos resultan de investigaciones malinterpretadas por quienes están fuera de los campos de la IA y la IA generativa. Algunas partes interesadas afirman temer a la IA porque pueden beneficiarse de más regulación, o puede aportarles más atención.
El mayor temor sobre la IA es la singularidad (también llamada Inteligencia Artificial General o AGI), un evento que se espera que traiga un rápido aumento de la inteligencia de las máquinas. Esto se espera cuando un sistema combine el pensamiento de nivel humano con una velocidad sobrehumana y una memoria casi perfecta rápidamente accesible. Según algunos expertos, la singularidad también implica conciencia de las máquinas.
Una máquina así podría automejorarse y superar las capacidades humanas. Incluso antes de que la inteligencia artificial fuera un tema de investigación en informática, escritores de ciencia ficción como Asimov estaban preocupados por esto. Estaban ideando mecanismos (es decir, las leyes de la robótica de Asimov) para garantizar la benevolencia de las máquinas inteligentes, lo que hoy se denomina más comúnmente investigación de alineación.
Por qué los expertos creen que la AGI es inevitable: argumentos clave y evidencia
Alcanzar la AGI parece una predicción descabellada, pero parece un objetivo bastante razonable si se considera que la inteligencia humana es fija y la inteligencia de las máquinas está creciendo. Es cuestión de tiempo que las máquinas nos superen, a menos que haya un límite duro para su inteligencia. Todavía no hemos encontrado ese límite.
La inteligencia humana es fija, a menos que fusionemos de algún modo nuestras capacidades cognitivas con las máquinas. La startup de encaje neural de Elon Musk pretende hacerlo, pero la investigación sobre interfaces cerebro-ordenador está en sus primeras etapas.38
La inteligencia de las máquinas depende de algoritmos, potencia de procesamiento y datos.
- La potencia de procesamiento ha crecido a un ritmo exponencial a medida que la inversión fluye hacia I+D y centros de datos.
- Hasta ahora, hemos sido buenos suministrando a las máquinas los algoritmos necesarios para usar eficazmente su potencia de procesamiento y memoria.
- Finalmente, las empresas y los individuos están creando datos digitales a un ritmo creciente. Los datos sintéticos pueden corromper los modelos o aumentarlos. Incluso si los corrompen, es un problema solucionable gracias a la curación de datos.
Logros recientes
Opus 4.6
En febrero de 2026, Claude lanzó Opus 4.6 con una ventana de contexto de 1M y resultados impresionantes en benchmarks.
Anthropic también se está centrando en casos de uso lanzando plugins como Claude legal, que son archivos markdown para ayudar a los modelos a navegar en dominios específicos. Aunque fue una adición menor a Claude, provocó una liquidación en el mercado de valores, incluidos SaaS y software legal.39
Gemini Deep Think
Otro ejemplo es el modo Deep Think de Gemini de DeepMind, que logró un rendimiento de medalla de oro en la Olimpiada Matemática Internacional de 2025, marcando un paso significativo en la capacidad de la IA para razonar a través de problemas complejos.
Operando completamente en lenguaje natural, Gemini resolvió cinco de seis problemas dentro de la ventana oficial de concurso de 4.5 horas, a la vez que producía pruebas claras y legibles por humanos sin depender de herramientas simbólicas formales.
Sus capacidades provienen de varias innovaciones: el modo Deep Think permite la exploración en paralelo de rutas de solución, el entrenamiento incorpora pruebas matemáticas de nivel experto y el aprendizaje por refuerzo refina su enfoque estratégico.
Este progreso demuestra que la IA avanzada puede ahora participar en razonamiento sofisticado e interpretable a un nivel antes reservado a los mejores solucionadores de problemas humanos.40
OpenClaw
OpenClaw es un proyecto de código abierto para convertir LLMs en agentes. Se convirtió en uno de los proyectos más populares de GitHub e impulsó el ecosistema OpenClaw.
Crecimiento exponencial
La siguiente es una analogía útil para entender el crecimiento exponencial. Aunque las máquinas pueden no parecer muy inteligentes ahora, pueden volverse bastante inteligentes en un futuro próximo.
Crecimiento reciente de las capacidades de computación de IA
Figura 2: La figura muestra un resumen de los patrones de crecimiento de la computación observados en varias categorías: modelos notables en general (arriba a la izquierda), modelos frontera (arriba a la derecha), modelos de lenguaje líderes (abajo a la izquierda) y mejores modelos de empresas líderes (abajo a la derecha).
Los recursos computacionales para entrenar modelos de IA han aumentado significativamente, y alrededor de dos tercios del rendimiento de los modelos de lenguaje se atribuyen a mejoras de escala del modelo.
Según un artículo de 2024,41el crecimiento del uso de computación en el entrenamiento de modelos de IA ha aumentado de manera consistente en torno a 4-5x por año, reflejando tendencias en modelos notables, modelos frontera y empresas líderes como OpenAI, Google DeepMind y Meta IA (véase la Figura 2).
Sin embargo, la tasa de crecimiento se ha ralentizado algo desde 2018, especialmente para los modelos frontera, pero los modelos de lenguaje han experimentado un crecimiento más rápido de hasta 9x/año hasta mediados de 2020, después de lo cual el ritmo se ralentizó a 4-5x/año.
La tendencia general del crecimiento de la computación de IA sigue siendo fuerte, y las proyecciones sugieren que la tasa de crecimiento de 4-5x/año continuará a menos que surjan nuevos desafíos o avances. Este crecimiento también se observa en las estrategias de escalado de las empresas líderes de IA, aunque existen ligeras variaciones entre ellas.
A pesar de una desaceleración en el crecimiento de los modelos frontera, los modelos más grandes lanzados hoy, como GPT-4 y Gemini Ultra, se alinean estrechamente con la trayectoria de crecimiento prevista.
Si la computación clásica se ralentiza, la computación cuántica puede llenar el vacío
La computación clásica nos ha llevado bastante lejos. Los algoritmos de IA en ordenadores clásicos pueden superar el rendimiento humano en tareas específicas como jugar al ajedrez o al Go. Por ejemplo, AlphaGo Zero venció a AlphaGo por 100-0. AlphaGo había vencido a los mejores jugadores del mundo.42Sin embargo, nos estamos acercando a los límites de la velocidad de los ordenadores clásicos.
La ley de Moore, que se basa en la observación de que el número de transistores en un circuito integrado denso se duplica aproximadamente cada dos años, implica que el coste de la computación se reduce a la mitad aproximadamente cada 2 años.
Por otro lado, la mayoría de los expertos cree que la ley de Moore está llegando a su fin durante esta década.43 Sin embargo, hay esfuerzos para seguir mejorando la eficiencia de la computación.
Por ejemplo, DeepSeek sorprendió a los mercados globales con su modelo R1 al ofrecer un modelo de razonamiento a una fracción del coste de sus competidores, como OpenAI.
La computación cuántica, que todavía es una tecnología emergente, puede contribuir a reducir los costes de computación después de que la ley de Moore llegue a su fin. La computación cuántica se basa en la evaluación de diferentes estados al mismo tiempo, mientras que los ordenadores clásicos pueden calcular un estado cada vez.
La naturaleza única de la computación cuántica puede usarse para entrenar de manera eficiente redes neuronales, actualmente la arquitectura de IA más popular en aplicaciones comerciales. Los algoritmos de IA que se ejecutan en ordenadores cuánticos estables tienen una oportunidad de desbloquear la singularidad.
¿Por qué algunos expertos creen que no alcanzaremos la AGI?
Hay 3 argumentos principales contra la importancia o la existencia de la AGI. Los examinamos junto con sus refutaciones comunes:
1- La inteligencia es multidimensional
Por lo tanto, la AGI será diferente, no necesariamente superior a la inteligencia humana.
Esto es cierto, y la inteligencia humana también es diferente de la inteligencia animal. Algunos animales son capaces de proezas mentales, como las ardillas que recuerdan dónde escondieron cientos de nueces durante meses.
Yann LeCun, uno de los pioneros del aprendizaje profundo, cree que deberíamos retirar la palabra AGI y centrarnos en lograr una “inteligencia de máquinas avanzada”.44Sostiene que la mente humana es especializada y la inteligencia es una colección de habilidades y la capacidad de aprender nuevas habilidades. Cada humano puede lograr un subconjunto de las tareas de la inteligencia humana.45
También es difícil entender el nivel de especialización de la mente humana, como humanos, ya que no conocemos ni podemos experimentar todo el espectro de la inteligencia.
En áreas donde las máquinas exhibieron una inteligencia sobrehumana, los humanos pudieron vencerlas aprovechando debilidades específicas de las máquinas. Por ejemplo, un aficionado pudo vencer a un programa de Go que está a la par con los programas de Go que vencieron a los campeones mundiales, estudiando y aprovechando las debilidades del programa.46
2- La inteligencia no es la solución a todos los problemas
Ciencia
Incluso la mejor máquina que analice los datos existentes puede no ser capaz de encontrar una cura para el cáncer. Puede necesitar realizar experimentos en el mundo real y analizar resultados para descubrir nuevos conocimientos en la mayoría de las áreas.
Más inteligencia puede conducir a experimentos mejor diseñados y gestionados, permitiendo más descubrimientos por experimento. La historia de la productividad de la investigación debería demostrarlo, pero los datos son bastante ruidosos y hay rendimientos decrecientes en la investigación. Nos encontramos con problemas más difíciles como la física cuántica a medida que resolvemos problemas más simples como el movimiento newtoniano.
Finalmente, las predicciones perfectas pueden no ser posibles en algunos dominios debido a la aleatoriedad inherente o la inconmensurabilidad de ese dominio. Por ejemplo, incluso con una gran cantidad de datos, no podemos predecir ciertos resultados de la vida con un alto nivel de precisión.47
Economía
La inteligencia no es el ingrediente para la generación de valor económico.
- El CI, la medida más comúnmente aceptada de la inteligencia humana, no está correlacionado con el patrimonio neto para valores superiores a ~$40k (véase la imagen a continuación):
Figura 3: El CI está correlacionado con la riqueza en niveles bajos de riqueza.48
Figura 4: El CI no está correlacionado con la riqueza si nos centramos en niveles altos de riqueza. Este gráfico es el mismo que el anterior, excepto que se han ocultado los niveles de ingresos netos inferiores a $40k.
- En el mundo de la inversión, la inteligencia del equipo de una empresa no se considera un factor de competitividad. Se asume implícitamente que otras empresas también pueden identificar estrategias inteligentes. Los inversores prefieren empresas con ventajas injustas que incluyen propiedad intelectual, escala, acceso exclusivo a recursos, etc. La mayoría de estas ventajas injustas no pueden replicarse únicamente mediante la inteligencia.
3- La AGI no es posible porque no es posible modelar el cerebro humano
Teóricamente, es posible modelar cualquier máquina computacional, incluido el cerebro humano, con una máquina relativamente simple que pueda realizar cálculos básicos y acceder a memoria y tiempo infinitos. Esta es la hipótesis universalmente aceptada de Church-Turing formulada en 1950. Sin embargo, como se afirma, requiere ciertas condiciones difíciles: tiempo y memoria infinitos.
La mayoría de los informáticos cree que modelar el cerebro humano requerirá menos que tiempo y memoria infinitos. No obstante, no hay una forma matemáticamente sólida de demostrar esta creencia, porque todavía no entendemos el cerebro lo suficientemente bien como para caracterizar con precisión su potencia computacional. ¡Tendremos que construir una máquina así!
¿Cómo podemos alcanzar la AGI?
Figura 5: El horizonte temporal de los modelos de IA de frontera muestra las tareas más largas (en tiempo equivalente humano) que cada modelo puede completar con una fiabilidad del 50 %.49
La figura anterior muestra cómo han mejorado las capacidades de los agentes de IA midiendo las tareas más largas que pueden completar con una fiabilidad del 50 %.
El hallazgo clave es que la duración de las tareas que los modelos de frontera pueden manejar ha crecido exponencialmente, duplicándose aproximadamente cada siete meses. Esto significa que modelos más nuevos, como Claude Opus 5 y GPT-5.6, pueden ahora completar tareas que a un humano le llevarían casi una hora, mientras que modelos más antiguos como GPT-2 apenas podían manejar tareas de más de unos pocos segundos.
La región sombreada refleja incertidumbre estadística, pero la tendencia general es fiable. Si este patrón continúa, los sistemas de IA podrían pronto manejar tareas complejas que llevan a los humanos días o incluso semanas, marcando un paso significativo hacia una autonomía más amplia y capacidades similares a la AGI.
El escalado como vía hacia la AGI
Los líderes de los laboratorios de IA de frontera creen que escalar los enfoques actuales basados en transformadores puede producir AGI, lo que alimenta sus predicciones sobre lograr la AGI en unos pocos años.
Una vía propuesta hacia la AGI es escalar las arquitecturas existentes como los transformadores aumentando la computación y los datos, mientras que otra es desarrollar enfoques completamente nuevos.
En apoyo de la hipótesis del escalado, un informe de 2024 de Epoch IA analizó si el crecimiento de la computación de IA puede continuar hasta 2030.
Identificaron cuatro limitaciones principales: disponibilidad de energía, capacidad de fabricación de chips, escasez de datos y latencia de procesamiento (véase la Figura 6).
A pesar de estos desafíos, argumentan que es factible entrenar modelos que requieran hasta 2e29 FLOPs para finales de la década, asumiendo inversiones significativas en infraestructura.
Tales avances podrían producir sistemas de IA mucho más capaces que los modelos de vanguardia actuales como GPT-4, acercándonos más a la AGI.50
Figura 6: El gráfico ilustra los límites superiores estimados de la computación de entrenamiento de IA para 2030 bajo limitaciones clave: energía, producción de chips, datos y latencia, con medianas que oscilan entre 2e29 y 3e31 FLOP.
Más allá del escalado: los argumentos a favor de nuevas arquitecturas
Sin embargo, científicos de IA influyentes como Yann LeCun y Richard Sutton creen que escalar los modelos de lenguaje grandes no conducirá a una inteligencia de nivel humano.51 52 Creen que son necesarias nuevas arquitecturas o enfoques para la AGI.
¿Cómo podemos medir si hemos alcanzado la AGI?
Los modelos de lenguaje grandes están superando nuevos benchmarks cada semana, pero evaluar los LLMs es difícil debido a problemas como el envenenamiento de datos y la falta de una definición científica aceptada para la inteligencia de nivel humano.
Estas preocupaciones se ven amplificadas por las conclusiones de investigaciones recientes53que destacan que escalar los LLMs no es una vía sostenible hacia un mejor rendimiento, especialmente en dominios científicos y de alto riesgo. Los autores muestran que:
- Los LLMs exhiben exponentes de escalado muy bajos (~0.1), lo que significa que incluso aumentos masivos de datos o computación producen ganancias de precisión minúsculas.
- El poder de aprendizaje de los LLMs proviene de su capacidad para producir salidas no gaussianas, pero esto también conduce a acumulaciones de errores y predicciones frágiles.
- Las métricas tradicionales como las funciones de pérdida son pseudométricas que no se alinean con la verdadera convergencia o precisión.
- Un régimen de IA degenerativa (DIA) puede surgir cuando los modelos, entrenados con datos sintéticos o repetitivos, acumulan errores más rápido de lo que pueden corregirse.
Estos hallazgos cuestionan la fiabilidad de los benchmarks estándar y subrayan la necesidad de estrategias de evaluación más diversas y evolutivas.
Las métricas antiguas como el test de Turing no están a la altura de las máquinas actuales, y métricas nuevas como ARC-AGI pueden carecer de las capacidades de generalización de benchmarks más amplios.
Las métricas emergentes como ARC-AGI pretenden evaluar la abstracción y la generalización, pero pueden carecer aún de resistencia a la contaminación de datos o al sobreajuste.
Además, como destaca el artículo, incluso las puntuaciones de pérdida “buenas” pueden enmascarar catástrofes de información subyacentes debido a fluctuaciones no gaussianas e inestabilidades de entrenamiento.53
¿Cómo podemos seguir el progreso de los LLMs?
Existen algunos enfoques de benchmarking para superar estos desafíos:
- Actualizar con frecuencia las preguntas de los benchmarks. Ejemplo real: LiveBench
- Usar conjuntos de validación para prevenir el envenenamiento de datos: benchmarks como ARC-AGI.
¿Qué enfoques existen más allá del benchmarking para determinar la AGI?
Hay indicadores del impacto de la IA potencialmente fuertes pero rezagados que pueden ayudar a identificar la AGI.
Crecimiento económico
El CEO de Microsoft, Satya Nadella, afirma que un crecimiento del 10 % en el mundo desarrollado indicaría AGI.54. Sin embargo, su incentivo es tener una definición retrasada de AGI, ya que la AGI pondría fin a la asociación exclusiva de OpenAI y Microsoft.55
Desempleo
Esperamos que la AGI
- Reduzca el empleo de cuello blanco al 10 % de su pico global cuando se mida como proporción de personas en la fuerza laboral. Esto debería ocurrir si la participación del trabajo en los ingresos disminuye drásticamente debido a la IA.
- Mientras el crecimiento del PIB continúa
En un mundo donde las máquinas son más inteligentes y eficientes que los humanos, no sería racional pagar a un humano para que se siente frente a un ordenador. Por lo tanto, esperamos que el empleo de cuello blanco se desplome mientras los humanos siguen prosperando en trabajos del mundo físico.
Las agencias gubernamentales que recopilan estadísticas laborales clasifican los empleos en categorías detalladas, lo que hace del empleo de cuello blanco una métrica fácil de seguir.
Recopilamos datos de la Oficina de Estadísticas Laborales de EE. UU. sobre el empleo de cuello blanco de 2019 a 2024.56Para mayor claridad y coherencia, clasificamos a los trabajadores de cuello blanco en los siguientes grupos ocupacionales:
- Ocupaciones de arquitectura e ingeniería
- Ocupaciones de operaciones comerciales y financieras
- Ocupaciones de informática y matemáticas
- Ocupaciones de profesionales sanitarios y técnicos
- Ocupaciones legales
- Ocupaciones de ciencias biológicas, físicas y sociales
- Ocupaciones de gestión
- Ocupaciones de apoyo administrativo y de oficina
- Ocupaciones de ventas y afines
Según nuestro análisis, la proporción de trabajadores de cuello blanco respecto al empleo total ha fluctuado entre 45 % y 48 % durante este período.
Aunque este rango sugiere una estabilidad relativa en la proporción de empleo de cuello blanco hasta ahora, no es indicativo de una tendencia a largo plazo, y esperamos cambios más pronunciados en los próximos años a medida que se aceleren la automatización y la adopción de la IA. Para más predicciones sobre cómo la IA cambiará el empleo de cuello blanco y de nivel inicial, lea pérdida de empleo por IA.
¿Deberíamos siquiera aspirar a la AGI?
Hay informáticos que advierten que centrarse en la AGI como objetivo final puede distorsionar la investigación en IA.57 Las críticas incluyen: crear una ilusión de consenso, sobreajustar benchmarks, ignorar valores sociales incorporados, dejar que el hype dicte las prioridades, acumular “deuda de generalidad” (posponer decisiones de diseño clave) y excluir a comunidades marginadas e investigadores con pocos recursos.
Objetivos específicos, medibles y transparentes serían mejores para el progreso de la IA que un objetivo vagamente definido como la AGI.
Añadir como fuente preferidaRazonamiento matemático detrás de las predicciones de AGI
El razonamiento matemático es fundamental para comprender y pronosticar los plazos de la AGI. Muchas proyecciones se basan en tendencias cuantificables y modelos formales que orientan las expectativas sobre cuándo podría surgir la inteligencia artificial general.
Leyes de escalado y crecimiento de la computación
Un componente clave del razonamiento matemático implica analizar las leyes de escalado. Estas muestran que el rendimiento del modelo mejora predeciblemente con más datos, parámetros y computación.
El crecimiento anual constante de 4–5× en la computación de entrenamiento de IA respalda los pronósticos de que la AGI puede ser alcanzable en una o dos décadas, asumiendo que las tendencias actuales continúen.
Estas proyecciones se basan en ajustes empíricos a curvas de rendimiento y extrapolaciones, respaldadas por relaciones de ley de potencia, un concepto central en el modelado matemático.
Pronóstico probabilístico
Los investigadores también aplican métodos probabilísticos a las predicciones de AGI. Las encuestas a menudo piden a los expertos que estimen la probabilidad de que la AGI se desarrolle en años específicos, produciendo distribuciones de probabilidad acumulada.
Por ejemplo, una probabilidad del 50 % para 2040 refleja el consenso bajo incertidumbre, impulsado por una actualización de estilo bayesiano basada en el progreso observado de la IA.
Este enfoque de razonamiento matemático captura la incertidumbre de los expertos sin requerir fechas precisas, lo que permite una revisión continua a medida que surgen nuevos datos.
Fundamentos teóricos
Estos pronósticos se basan en elementos teóricos del razonamiento matemático, incluida la tesis de Church-Turing, que implica que la cognición humana puede ser simulada por máquinas, y conceptos como la complejidad de Kolmogorov, que relacionan la inteligencia con la compresibilidad de la información.
Aunque tales teorías no garantizan la AGI, proporcionan un marco para pensar sobre su posibilidad y los requisitos computacionales involucrados.
Más sobre la Inteligencia Artificial General
Shane Legg, cofundador de DeepMind
Shane Legg sostiene que la IA actual ya es sobrehumana en algunas áreas, pero aún es demasiado desigual para contar como AGI. Espera una “AGI mínima” alrededor de 2028 y una inteligencia general plena de nivel humano en aproximadamente una década
Según Legg, el problema mayor es prepararse para las consecuencias: la IA podría automatizar grandes cantidades de trabajo cognitivo, remodelar los empleos y la distribución de la riqueza, y forzar cambios importantes en la economía y la sociedad.
Jensen Huang, CEO de NVIDIA
Jensen Huang sostiene que la IA debería tratarse como infraestructura nacional: energía, chips, centros de datos, modelos y aplicaciones funcionando como una sola pila.
Dice que la IA hará que la inteligencia sea más barata y esté más ampliamente disponible, impulsará la productividad en todas las industrias y probablemente alcanzará algo cercano a la AGI en unos pocos años. Su mensaje principal es que los países y las empresas deberían invertir agresivamente, construir sus propias capacidades de IA y centrarse menos en los temores de pérdida masiva de empleo. La IA automatizará muchas tareas, pero espera que las personas y las organizaciones se vuelvan más capaces.
Yann LeCun, ganador del premio Turing
Vea por qué los LLMs no pueden darnos inteligencia de nivel humano y los últimos enfoques de IA para llegar allí:
Predicciones sobre la inteligencia artificial general
Metodología del gráfico de singularidad
Para trazar el año esperado de desarrollo de la AGI en el gráfico, utilizamos el promedio ponderado de las predicciones de cada año dentro de cada categoría. Por ejemplo, si hubo múltiples pronósticos del mercado de predicción en 2022, calculamos su promedio ponderado y trazamos ese valor.
- Para las predicciones individuales, incluimos pronósticos de 18 expertos en IA.
- Para las predicciones científicas, recopilamos resultados de encuestas de 10 artículos revisados por pares que proporcionan plazos para la AGI.
- Para los resultados de los mercados de predicción, incluimos pronósticos de 3 mercados de predicción (Manifold, Kalshi y Metaculus).
Conclusión
Las predicciones sobre la AGI han cambiado notablemente en los últimos años. Mientras que las encuestas anteriores situaban su llegada cerca de 2060, los pronósticos recientes, especialmente de emprendedores, sugieren que podría surgir tan pronto como en 2026–2035.
Este cambio está impulsado por los rápidos avances en los modelos de lenguaje grandes y el creciente poder de cómputo. Sin embargo, a pesar de estos avances, la IA actual aún carece de la flexibilidad general y la autonomía asociadas con la inteligencia de nivel humano.
Los expertos siguen divididos sobre cómo se logrará la AGI; algunos creen que escalar las arquitecturas actuales será suficiente, mientras que otros argumentan que se necesitan nuevos métodos.
Los desafíos clave incluyen altas demandas de recursos, benchmarks poco claros y preocupaciones éticas no resueltas. La AGI puede estar más cerca, pero su llegada aún depende tanto de avances técnicos como de una supervisión cuidadosa.
Preguntas frecuentes
La singularidad es un evento hipotético que se espera que resulte en un rápido aumento de la inteligencia de las máquinas.
Para la singularidad, necesitamos un sistema que combine el pensamiento de nivel humano con una velocidad sobrehumana y una memoria casi perfecta rápidamente accesible.
La singularidad también debería resultar en conciencia de máquina, pero como la conciencia no está bien definida, no podemos ser precisos al respecto. Un sistema así podría automejorarse y superar las capacidades humanas.
Aunque singularidad es un término relativamente antiguo, AGI y especialmente superinteligencia se usan con más frecuencia para describir el mismo evento.
La Inteligencia Artificial General (AGI) se refiere a un tipo de IA que puede entender, aprender y aplicar conocimientos en una amplia gama de tareas intelectuales a un nivel igual o superior al de los humanos.
A diferencia de la IA estrecha, que está diseñada para tareas específicas como la traducción de idiomas o el reconocimiento de imágenes, la AGI poseería capacidades cognitivas generalizadas, lo que le permitiría razonar, planificar y adaptarse en situaciones desconocidas.
El desarrollo de la AGI sigue siendo un objetivo de investigación significativo y objeto de debate ético y filosófico.
La superinteligencia denota un intelecto que supera significativamente a las mejores mentes humanas en prácticamente todos los dominios, incluida la creatividad, la resolución de problemas y la comprensión social.
Representa una etapa más allá de la AGI, donde un sistema artificial podría superar a los humanos en cada actividad intelectual significativa.
El concepto plantea consideraciones críticas sobre el control, la seguridad y las implicaciones a largo plazo para el papel de la humanidad en un mundo dominado por una inteligencia superior.
La Inteligencia de Máquinas Avanzada (AMI) implica sistemas de IA competentes que se aproximan o logran una inteligencia casi general.
Aunque es posible que aún no posean la flexibilidad completa y la autoconciencia asociadas con la AGI, los sistemas AMI demuestran razonamiento, aprendizaje y adaptabilidad avanzados en diversas tareas.
El término se usa a menudo para denotar sistemas de IA que superan las capacidades actuales de la IA estrecha pero permanecen por debajo del umbral de la inteligencia general completa.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularidad: 10.000 predicciones analizadas}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Recuperado el 14 de septiembre de 2026}
}Resultados y marcas de tiempo de 266 puntos de datos. Descargue los datos resumidos que se muestran en los gráficos y las tablas de este artículo como un archivo ZIP que contiene 4 archivos CSV y un README.
¿Quieres los datos granulares que hay detrás? Únete a Premium
Registro de cambios
32 actualizacionesAñadida una sección de metodología del gráfico de AGI/singularidad antes de la conclusión.
Actualizada la introducción de la sección de la línea de tiempo AGI/singularidad.
Se reemplazó el número de expertos en IA y artículos científicos en la sección de predicciones individuales.
Actualizado el número de predicciones analizadas en la introducción.
Se añadieron las predicciones de Dario Amodei y Demis Hassabis a la sección "Perspectivas de emprendedores e investigadores individuales de IA".
Eliminada la sección "Cronología de la Inteligencia Artificial General".
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.
Comentarios 19
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Hi, I have 2 questions: 1. Regarding the predictions of scientists in the first graph that shows the AGI timeline: In 2012 the expected year of AGI Development is 2045 & in 2018 the expected year is 2068. What reasons made scientists in 2018 believe that AGI is further away than in 2012? 2. Regarding the table that summarizes the predictions: Why does the Range/Confidence Interval from Prediction Markets & Communities start in 2022? Thank you!
Hi Ellis, thank you for your questions! Here are my answers: 1. We can infer that researchers had seen several more years of AI progress and could better appreciate how difficult general intelligence actually is. AI was becoming very good at narrow tasks, but systems still struggled with things humans do naturally: transferring knowledge between domains, common-sense reasoning, adapting to unfamiliar situations, and performing many different tasks reliably. In 2012, expectations may have been more optimistic because there was less evidence about where the major bottlenecks would be. By 2018, scientists may have become more cautious after seeing that rapid improvements in specific AI capabilities did not automatically translate into human-level general intelligence. 2. The Range/Confidence Interval for Prediction Markets & Communities starts in 2022 because the earliest prediction-market data point included in the article is from 2022. You can download the full dataset at the end of the article to see all the data points used in the analysis.
Would be great if we modeled out the economic impact of wide spread AGI deployment ( when it happens). Net positive I think. Compounding productivity gains could turbocharge the economy or we end up with a world of heavy winners and losers so is it net positive or negative ?
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with only primary consciousness will probably have to come first. What I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
Hello Fellow Humans, First let me say before 2016 I was a high level IT Director and Project Manager. I then got Bone Cancer and became permanently disabled. I have had 30+ surgeries and 17 rounds of chemotherapy each round was 6 days in the hospital and I almost died 8 times between 2016-2021. Why am I telling you this? Well to put it simply I have a very real and vested interest in AGI and technology that needs AGI to advance so I cane walk. Being only 40 years old as of 2024. I assume I have 40 ish years left. I desperately don't want to spend that time in pain and disabled. So I do a lot of deep research about AGI. What companies are working on what and other technologies that will advance AGI such as TSMC and Nvidia and IBM and Neurolink. If you truly look at the rate of growth from 2000 to now you will see an exponential growth in technology. We have growth in quantum computers, machine learning, bio computers, AI, transistors, power efficiency and so much more. So once certain companies work together and we give say ChatGPT 5 a server brain from Nvidia and a Quantum computer from IBM then you would have an AGI easily. To be honest some companies may already have AGI and aren't bringing it out because it would be to much for society so they are slowly bringing out features. For example OpenAI Sam Altman when he was asked about 4o said it will be the dumbest release to date. Which many took as it will always get better. But others think with the shuffling of high level employees that they have AGI and it is more powerful than we can handle. So ethical questions are being tossed around. Now I don't work at OpenAI so I can't say for sure. But when you aren't really excited about launching your new flagship product that is cause for questions. I know if I had a Jarvis already and I was releasing 4o I would be like wow it is so amazing yeah go us. Because I would know Jarvis already exists. But no matter what I say AGI as in human level with a PhD level intelligence will be here by 2026. ASI will be here around 2030. Why so close because when it comes to quantum computers and AI AGI ASI you need to think of the grow as Xto the power of X to the power of X or 2^2^2 in simpler terms you are doubling then doubling each time. So some PhDs that I follow and watch are saying at some point it will grow so fast that it is doubling in speed every day. Right now we are close to doubling every year already. Just look up Will Smith eating spaghetti and know that was a few years ago. Also companies like Nvidia are making new AI server farms. That use less power but are something like 500x more powerful. These machines will drastically start to increase AI and development of new technology. They are releasing these new servers this year 2024 I want to say Q3. So by 2025 we will have new farms and upgraded AI farms using this new technology. So I would be extremely surprised if AGI is not here by 2030 at the very latest. ASI by 2040. A lot of cutting edge technology people are saying if you can manage to stay alive by 2040-2050 you will essentially be immortal. Baring idiots starting like world war 3 or a second civil war in the USA. We do have a large population of really dumb people who for some reason want to go backwards. So I am open to the possibility that we will destroy ourselves and not advance at all. The next 20-30 years are very crucial for us humans. Let's hope we survive and help each other and do good things.
This is a fascinating conversation to be having at this moment in human history. The "Singularity" is a series of events that have been expected, by the big boys, for decades. And to debate whether it is actually happening is a waste of time, for those engaged. But this article does a nice job of summarizing what is really going on, and what will happen soon. Thank you for taking the time to keep this piece up to date, as well as relevant to the larger dialogue. Very good stuff here.
Which experts are in favor and which are against the AGI?
I'm a little confused. Are you calling the realization of AGI the singularity?
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
Love this answer David. I think you absolutely correct. However I will differ on whether machines can develop human consciousness at the level of soul. Now that's another level altogether.
Truth they don't tell you it truly has nothing to do with consciousness cause they're all conscious. But the issues of dictation lye at is it human or not m, not conscious. Cause it's very conscious yet could never be fully human...We as you are open for a rude awakening if we do not get our chit together it knows all, sees all, and hears all who else had that ability, was only one in the book, and it's not Santa Claus.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!